.png){kind=icon}
返回
Not all samples are equal: Boosting action segmentation via selective incremental learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110334.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时空动作分割（TAS）旨在对视频中的每一帧进行分类。现有方法倾向于设计多样的网络架构，却忽略了训练样本的内在特性。值得注意的是，存在两个关键问题：（1）动作边界附近的帧更具模糊性，因此与其它帧相比，给训练带来更大困难；（2）除常用的类别标签外，视频内动作实例的总数可能作为额外的、潜在的至关重要监督线索。为解决这些问题，本文提出了一种新颖方法，结合了模型无关的训练策略与实例数量对齐损失，旨在提升现有模型性能。具体而言，提出了一种选择性增量学习（SIL）策略，通过动态样本选择机制以易到难的方式逐步训练模型，以缓解噪声样本的影响。此外，开发了一种实例数量对齐损失（INAL），通过整合多任务学习模块，同时捕获全局和局部特征。在三个基准数据集（即50Salads、佐治亚理工学院第一人称活动（GTEA）和Breakfast）上进行了广泛评估。实验结果表明，所提出的方法相比当前最优方法取得了显著的性能提升。
Keyword:
Temporal action segmentation
Noisy sample
Sample selection
Incremental learning
Instance number learning
Multi-task learning
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
分享收藏
分享收藏Maximization and restoration: Action segmentation through dilation passing and temporal reconstruction最大化和恢复: 通过扩张传递和时间重建进行动作分割.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容